GoogleTest JSON 输出中新增跳过测试原因支持
GoogleTest 是 Google 开发的一个流行的 C++ 测试框架,广泛应用于各种 C++ 项目的单元测试中。最近,GoogleTest 团队对其 JSON 输出格式进行了重要增强,增加了对跳过测试原因的支持,使测试报告更加完整和有用。
背景与需求
在软件开发过程中,测试有时需要被跳过(skip),这可能有多种原因:环境不满足、依赖项缺失、特定平台不支持等。传统的 GoogleTest XML 输出格式已经包含了跳过测试的原因信息,但在 JSON 输出格式中这一信息却缺失了。
这种缺失导致开发者在使用 JSON 格式的测试报告时,无法获取完整的测试状态信息,特别是当需要分析为什么某些测试被跳过时。对于自动化测试系统和持续集成(CI)流程来说,了解测试被跳过的原因同样重要。
技术实现
GoogleTest 团队在最新提交中解决了这个问题。实现方式是在 JSON 输出中添加了一个新的 "skipped" 数组字段,其结构与现有的 "failures" 字段类似。每个被跳过的测试都会在这个数组中有一个对应的条目,包含跳过的原因信息。
例如,一个测试被跳过时,JSON 输出现在会包含如下结构:
"skipped": [
{
"message": "<path>.cpp:5\nIt's good practice to provide the reason a test is being skipped.\n"
}
]
这种设计保持了 JSON 输出与 XML 输出在功能上的一致性,同时也遵循了 GoogleTest 现有的 JSON 输出结构模式,确保了向后兼容性。
技术意义
这一改进具有多方面的重要意义:
-
完整性:使 JSON 输出包含了与 XML 输出同等完整的信息,不再有信息丢失。
-
自动化处理:对于使用 JSON 格式解析测试结果的自动化工具和系统,现在可以正确处理和分析被跳过的测试。
-
调试便利:开发者可以更方便地了解为什么某些测试被跳过,特别是在复杂的测试环境中。
-
一致性:保持了不同输出格式间的一致性,减少了使用不同格式时的认知负担。
实际应用场景
在实际开发中,这一改进特别适用于以下场景:
-
跨平台开发:当某些测试只在特定平台上运行时,跳过原因可以帮助开发者快速了解平台兼容性问题。
-
条件测试:依赖于外部资源(如数据库、网络服务)的测试在被跳过时,原因信息有助于诊断环境配置问题。
-
测试维护:在大型项目中,清晰的跳过原因有助于维护测试套件,避免测试被无故跳过。
最佳实践
随着这一功能的加入,建议开发者在编写测试时:
-
总是为跳过的测试提供明确的跳过原因,而不仅仅是标记为跳过。
-
在跳过原因中包含足够的信息,如文件名和行号,方便定位问题。
-
考虑在 CI 系统中监控被跳过的测试,确保它们最终会被重新启用或移除。
总结
GoogleTest 对 JSON 输出格式的这次增强,虽然看似是一个小改动,但对于依赖自动化测试报告的系统和使用 JSON 格式的开发者来说,却是一个重要的改进。它进一步完善了 GoogleTest 的输出功能,使其在各种使用场景下都能提供完整、一致的测试信息。这一变化也体现了 GoogleTest 团队对测试框架实用性和完整性的持续关注。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00